Bizonyossági tényező az M1-ben bizonyossági faktor cf [0,100] cf=100 teljes bizonyosság cf=20 a hihetőség alsó küszöbe cf=0 teljesen elvetve
|
|
- Lilla Vargané
- 7 évvel ezelőtt
- Látták:
Átírás
1 1. HOGYAN ALKALMAZHATÓ SZABÁLY ALAPÚ RENDSZEREKBEN A BIZONYTALANSÁGKEZELÉS HEURISZTIKUS MODELLJE? Szabályalapú rendszerekben az ismeretek HA feltétel AKKOR következmény alakúak Bizonytalanság kezelése szabályalapú rendszerben Definiciós szabály: HA lakóhelye = Budapest AKKOR hazája = Magyarország Heurisztikus szabály: HA lakóhelye = Budapest ÉS neme=nő AKKOR cipőmérete <42 cf=80 Kalkulus cf(a and b)=min{cf(a), cf(b)} cf(a or b)=max{cf(a), cf(b)} cf (h,e) {if e then h} jelöléssel cf(h)=cf(e)*cf(h,e)/100 ha két szabály vezet ugyanarra a h hipotézisre, akkor az eredő cf(h)=(100*cf(h 1 )+100*cf(h 2 )- cf(h 1 )*cf(h 2 ))/100 Bizonyossági tényező az M1-ben bizonyossági faktor cf [0,100] cf=100 teljes bizonyosság cf=20 a hihetőség alsó küszöbe cf=0 teljesen elvetve Példa: rule-6: if fo_etel=hus and van-e_borjuhus=nincs then legjobb_szin=voros cf=90 rule-7:iffo_etel=baromfi and van-e_pulyka=nincsthenlegjobb_szin=feher cf=90 and legjobb_szin=voros cf=30 Szabály végrehajtás a rule-6 esetén legyen fo_etel=hus cf=80 és van-e_borjuhus=nincs cf=70 ebből cf(e)=min{80, 70} cf(h,e)=90 adott így a legjobb_szin=voros cf(h)=70*90/100=63 Azonos hipotézis Két szabályból legyen legjobb_szin=voros cf=80 és legjobb_szin=voros cf=60 akkor az eredő következtetés cf(h)=( )/100=92 2. DEFINIÁLJA AZ IMPLIKÁCIÓ ÉS NEGÁCIÓ MŰVELETEKET VALAMELY FUZZY LOGIKÁBAN! Fuzzy halmazelmélet Tagsági függvény: egy adott halmazhoz tartozás fokát fejezi ki egy 0,1intervallumbeli számmal. A köznapi nyelvben kissé, eléggé, meglehetôsen, nagyon, stb, módosítószavakkal fejezzük ki. Lukasiewicz fuzzy logika Gödel fuzzy logikája 3. DEFINIÁLJA A KERETALAPÚ ISMERETÁBRÁZOLÁS ALAPFOGALMAIT ÉS ÉRTELMEZZEN 3 SLOT BEJEGYZÉST! Keret alapú ismeretábrázolás: A keret valamely fogalom strukturált szimbolikus modellje; a fogalom számunkra fontos tulajdonságait egybefoglaló struktúra, amelyet a fogalom neve foglal egységbe. A tulajdonságokat (attribútumokat) a keret bejegyzései (slot) nevezik meg, amelyek megadhatják az attribútum értékét, annak alapértelmezését, forrását, az érték változásakor végrehajtandó eljárásokat, ún. démonokat, különböző meta-leírásokat és további járulékos információkat. Attribútum lehet akár egy másik keret is. Kereteket relációkkal lehet összekapcsolni. Különös szerepe van a hierarchikus kapcsolatoknak, amelyek mentén bizonyos attribútumok és azok jellemzői öröklődhetnek. Kapcsolatok: ez egy (is a) egyszeres öröklődés egyfajta (kind of) többszörös öröklődés páldánya (instance of) hasonló (similar): a koncepció bizonyos szituációkban hasonlóan viselkedik, mint egy másik koncepció 1
2 Az attribútumok tulajdonságai domain: az attribútum minden olyan előfordulására érvényes, amely a domain-ben található range: a lehetséges értékek halmaza (attribútum értékkészlet) alapértelmezés (default): korlátozás (constraint): az értékekre vonatkozó megszorítások érték inverse : pl. edző-edzett csapat/barát-barát inheritance : speciális öröklődés (vezetéknév apáról gyerekre) 4. ISMERTESSE A CÉLVEZÉRELT KÖVETKEZTETÉS ISMERETÁBRÁZOLÁSI KÖRNYEZETÉT ÉS ALGORITMUSÁT! HA feltétel AKKOR következmény A vezérlés menete Mintaillesztéssel megkeresi azokat a szabályokat, amelyek az adott stratégia szerint végrehajthatóak, és behelyezi egy végrehajtható halmazba. Kiválaszt a végrehajtható halmazból egy szabályt (egy beépített vezérlési stratégia dönt arról, hogy melyiket). Alkalmazza a kiválasztott szabályt. Ha terminálási feltétel bekövetkezett, akkor leáll, ellenben ismétlődik az elejétől. A vezérlés lehet: célvezérelt vagy adatvezérelt Célvezérelt: (hátraláncoló rendszer): Egy feltételezett célállapotból kiindulva igyekszik a cél igazolását visszavezetni a rendszer által ismert tényekre vagy korábban igazolt állításokra. Ha zsákutcába jut, akkor visszalép és új irányban próbálkozik. Célvezérelt Kevés cél Összes megoldás Kérdésre válasz Diagnosztizáló problématípus A célvezérelt következtetés ciklusa (1): 1. Célkiválasztás: A még igazolandó részcélok közül kiválaszt egyet. -1.a. Ha a részcélok halmaza üres, akkor a feladat megoldása sikeresen véget ér. -Ha a zsákutca jelzés igaz, akkor 1.b visszalépés a legutóbb feldolgozott részcélhoz. Ha a konfliktushalmaz üres és a kiindulási célnál járunk, akkor sikertelen vége, egyébként folytatás 1.b-nél. -Ha a konfliktushalmaz nem üres, akkor a 2. lépést kihagyva a 3.lépésnél folytatódik a ciklus. 2. Mintaillesztés: Kikeresi azokat a szabályokat, amelyek következményrésze illeszthető a kiválasztott részcélhoz. Ezek bekerülnek az adott részcél konfliktushalmazába. Ha a konfliktushalmaz üres, akkor a következtetés zsákutcába jutott, és zsákutca jelzéssel indul a következő ciklus az 1. lépéssel. 3. Konfliktusfeloldás: Amennyiben a konfliktushalmazban több végrehajtható szabály van, akkor kiválaszt egyet végrehajtásra. (szabályválasztási stratégia) 4. Végrehajtás, szabályalkalmazás: A kiválasztott szabály végrehajtása. Ha az adott cilusban igazolandó részcél szabály volt, akkor a részcélok közé felveszi a szabály feltételrészét (amit a 2.lépésbeni illesztés során kaptunk)(egyébként, ha tényállítás volt, akkor igazoltuk.)az aktuális részcél törlődik a részcélok halmazából, és bekerül a feldolgozott részcélok közé (verem).a konfliktushalmaz legyen üres és a zsákutca jelzés hamis. 5. Indítja a következő ciklust. 5. A SZAKÉRTŐ RENDSZEREK ÉRTÉKELÉSE, ALKALMAZÁSUK ELŐNYEI ÉS HÁTRÁNYAI. Szakértői rendszer (vásárlói szokás, szállítói megbízás) az első szó azt fejezi ki, hogy ez a célcsoport birtokosa a második szónak, azaz a szakértő számára készült rendszer. Szakértő rendszer (szállító eszköz) a második szó egy tulajdonságát írja le, azaz a rendszer képes a szakértés megvalósítására. A szakértő rendszerek előnyei: 1.Pótolják a szakértő hiányt 2.Jól követik a tárgyterület változásait 3.Növelik a szakértő képességét 4. Fokozzák a szakértő produktivitását 5. Megőrzik a szakértelmet 6. Következetes 7. Részleges, nem teljes adatokkal is tud dolgozni 8. Magyarázatot ad, indokol A szakértő rendszerek hátrányai: 1.Ismereteik egy adott szűk tárgyterületről származnak 2.Nem oldható meg teljes biztonsággal a rendszer verifikálása, validálása, és hitelesítése 3.Válaszaik nem mindig korrektek 4.Nincs hétköznapi józan eszük 5.Az ismeretszerzés bonyolult folyamat 6.A fejlesztés hosszú 2
3 7.A rendszer futási paraméterei gyakran nem kedvezőek 6. ISMERTESSE AZ ADATVEZÉRELT KÖVETKEZTETÉS ISMERETÁBRÁZOLÁSI KÖRNYEZETÉT ÉS ALGORITMUSÁT! HA feltétel AKKOR következmény A vezérlés menete Mintaillesztéssel megkeresi azokat a szabályokat, amelyek az adott stratégia szerint végrehajthatóak, és behelyezi egy végrehajtható halmazba. Kiválaszt a végrehajtható halmazból egy szabályt (egy beépített vezérlési stratégia dönt arról, hogy melyiket). Alkalmazza a kiválasztott szabályt. Ha terminálási feltétel bekövetkezett, akkor leáll, ellenben ismétlődik az elejétől. A vezérlés lehet: célvezérelt vagy adatvezérelt adatvezérelt (előreláncoló rendszer)a kezdőállapotból kiindulva szabályokat alkalmaz, mindaddig amíg a célállapotot el nem éri. Adatvezérelt Sok cél Nem az összes megoldás Új tények, állapotok Konfiguráló, monitorozó, ütemező problématípusok Az adatvezérelt következtetés ciklusa A munkamemóriába betöljük a tényeket. 1. Mintaillesztés Azok a szabályok, amelyek feltételrésze illeszthető a munkamemóriában tárolt tények valamelyikével bekerülnek a konfliktushalmazba. 2. Konfliktusfeloldás Ha a konfliktus halmaz üres, akkor sikertelenül vége.amennyiben a konfliktushalmazban több végrehajtható szabály van, akkor kiválaszt egyet végrehajtásra. (szabályválasztási stratégia) 3. Végrehajtás, szabályalkalmazás A kiválasztott szabály végrehajtása. Ha a célt megfogalmazó terminálási feltétel teljesül, akkor sikeresen vége. 4. A konfliktushalmaz legyen üres. Indítja a következő ciklust. 7. AZ ESET-ALAPÚ KÖVETKEZTETŐ RENDSZER ÉLETCIKLUSA. 8. AZ ISMERETALAPÚ RENDSZEREK ÉS A HAGYOMÁNYOS PROGRAMOZÁSI TECHNIKÁK ÖSSZEVETÉSE, KÜLÖNBSÉGEK A JELLEMZŐIKBEN. Az Ismeret alapú rendszerek(kbs - knowledge Based Systems) a problématerületet explicit módon leíró ismereteket a rendszer többi részétől elkülönített komponensben, az ismeretbázisban tárolják. Ezek esetében a feladatmegoldás nem előre beprogramozott megoldási utakra felfűzött algoritmusok révén, hanem a következtetési módszereket realizáló következtető gép által, az ismeretbázisból kiválasztott ismeretdarabkák végrehajtásával megy végbe. Jellemző a szimbolikus ábrázolás. Az ismeret alapú rendszerek közül azokat, amelyek szakértői ismeretek felhasználásával magas szintű teljesítményt nyújtanak egy szűk problémakör kezelésében, szakértő rendszereknek (ES - expert systems) nevezzük. Ismeretszerzés, ismeretábrázolás, következtetési stratégia. 3
4 9. AZ ISMERETSZERZÉS FOLYAMATA ÉS MÓDSZEREI. A rendszerépítő tudásmérnök és a tárgyterületi szakértő közötti, a szakértői ismeretek megszerzését célzó együttműködés. A tudásmegszerzés módszerei Közvetlen (emberi segédlettel) Automatikus módszerek Közvetlen (emberi segédlettel) direkt Interjú(spontán, félig strukturált, kötött) Kommentálás Visszajelzés Jegyzőkönyvelemzés Lépcsőző technikák Mátrix alapú technikák protokoll elemzés közvetlen megfigyelés a fogalmak hierarchikus elrendezése, osztályozás indirekt: a tudásmérnök pszichológiailag átgondolt feladatok elé állítja a szakértőt, hogy annak rejtett, nem tudatosult tudására, annak szerveződésére következtessen. Automatikus módszerek adatbányászat adatbázisok elemzése ok-okozati összefüggések A tudásbeszerzés folyamata Strukturálatlan, spontán interjú a szakértővel Az elkészített interjú anyagok elemzése Félig strukturált interjú a szakértővel Az interjú anyag elemzése A megszerzett tudás ábrázolása Az eredmények feldolgozása a szakértő bevonásával (lépcsőző technikák, kommentálás, megfigyelés, kártyaválogatás ) A fenti eljárássorozat ismétlése egészen addig, amíg mind a tudásmérnök, mind a szakértő elégedett az eredménnyel Az ismeretek validálása más tárgyköri szakértők bevonásával. 10. BIZONYTALANSÁGKEZELÉS ÉS MÓDSZEREI A SZAKÉRTŐ RENDSZEREKBEN. A bizonytalanságkezelés: hiányos nem teljesen megbízható pontos lenne, de a reprezentáló nyelv nem elég precíz ellentmondásos A bizonytalanságkezelés módszereinek, modelljeinek osztályozása Numerikus modellek (megbízhatósági szám + kalkulus): klasszikus valség.szám.(bayes módszer) Szimbolikus modellek (hiányzó elemek helyett feltételezések): nem monoton logikák, fuzzy logika. Heurisztikus módszerek: bizonytalansági tényező 4
5 11. DEFINIÁLJA A FOGALMI HIERARCHIÁT! 12. KONSTRUKTOROK INTERPRETÁCIÓJA A LEÍRÓ LOGIKÁKBAN 5
6 13. KÖVETKEZTETÉSI ELJÁRÁSOK A SZEMANTIKUS HÁLÓKBAN A szemantikus hálóban alkalmazott következtetés a mintaillesztés. 14. KÖVETKEZTETÉSI TECHNIKÁK OSZTÁLYOZÁSA A SZAKÉRTŐ RENDSZEREKBEN 6
7 16. ADJON PÉLDÁT LEÍRÓ TUDÁSBÁZISRA! Tudásbázis (KB, knowledge base) = T-doboz (TBox) + A- doboz (ABox) 15. LEÍRÓ LOGIKÁK FOGALMA. T-doboz = terminológiai doboz = terminológiai axiómák halmazaza fogalmakról (és szerepekről) szóló állítások (az anya, aki nőnemű és van gyereke) A-doboz = adatdoboz = adataxiómák halmaza: tudásunk az objektumokról (Éva anya) Következtetések: T-doboz: egy fogalomleírás kielégíthető annak megállapítása, hogy az egyik fogalom egy másik általánosítása (fogalom-hierarchia), Következtetések: A-doboz: egy objektum egy fogalom példánya egy fogalomleírást kielégítő objektumok, ellentmondások felfedezése 7
Szakértői rendszerek bemutatása. Haindrich Henrietta
Szakértői rendszerek bemutatása Haindrich Henrietta Mi a szakértő rendszer? Ismeretalapú rendszer (KBS:Knowledge-Based System): a rendelkezésére álló információkból bizonyos keresési stratégia szerint
RészletesebbenDr. Bognár Katalin 2010.
1 Tudásalapú rendszerek és technológiák Dr. Bognár Katalin 2010. 2 Contents I Fogalmi háttér 9 1 Bevezetés 11 2 Mesterséges Intelligencia háttér 15 2.1 Intelligencia és intelligens viselkedés............
RészletesebbenVII. Keretalapú ismeretábrázolás
Collins és Quillian kísérlete VII. Keretalapú ismeretábrázolás Tud-e a kanári énekelni? 1.3 mp Képes-e a kanári? 1.4 mp Van-e a kanárinak bőre? 1.5 mp A kanári egy kanári? 1.0 mp A kanári egy madár? 1.2
Részletesebbenmatematikus-informatikus szemével
Ontológiák egy matematikus-informatikus szemével Szeredi Péter Budapesti Műszaki és Gazdaságtudományi Egyetem Számítástudományi és Információelméleti Tanszék ➀ Mi az ontológia, mire jó, hogyan csináljuk?
RészletesebbenIsmeretalapú rendszerek tervezése, ismeretszerzés, ismeretalapú rendszerek fejlesztése
Ismeretalapú rendszerek tervezése, ismeretszerzés, ismeretalapú rendszerek fejlesztése Takács Eszter Magdolna DFSVDK Mesterséges intelligencia, szakértői rendszerek VEMISAM254M Utolsó módosítás: 2013.
RészletesebbenMYCIN. Szakértői rendszer
MYCIN Szakértői rendszer Általában mycin: gombafajból nyert antibiotikum (görög) Pl: kanamycin, tobramycin, streptomycin, stb Általában szakértői rendszer vér fertőzéseinek, gyógykezeléseknek meghatározását
RészletesebbenInteraktív, grafikus környezet. Magasszintû alkalmazási nyelv (KAL) Integrált grafikus interface könyvtár. Intelligens kapcsolat más szoftverekkel
Készítette: Szabó Gábor, 1996 Az Az IntelliCorp IntelliCorp stratégiája: stratégiája: Kifinomult, Kifinomult, objektum-orientált objektum-orientált környezetet környezetet biztosít biztosít tervezéséhez,
RészletesebbenIsmeretalapú modellezés XI. Leíró logikák
XI. Leíró logikák 1 eddig volt nyílt internetes rendszerekben miért van szükség ismeretalapú re ontológia készítés kérdései ontológiák jellemzői milyen ontológiák vannak most jön mai internetes ontológiák
RészletesebbenDunaújvárosi Főiskola Informatikai Intézet
Dunaújvárosi Főiskola Informatikai Intézet Tudásalapú rendszerek Dr. Seebauer Márta főiskolai tanár seebauer.marta@szgti.bmf.hu Tudás fogalma Tudás a valós világ tükröződése az emberi tudatban, amelynek
RészletesebbenDunaújvárosi Főiskola Informatikai Intézet
Dunaújvárosi Főiskola Informatikai Intézet Bizonytalanságkezelés Dr. Seebauer Márta főiskolai tanár seebauer.marta@szgti.bmf.hu Bizonytalan tudás forrása A klasszikus logikában a kijelentések vagy igazak
RészletesebbenOntológiák, 2. Leíró logikák. Kooperáció és intelligencia, DT-MT, BME-MIT
Ontológiák, 2. Leíró logikák Célkitűzés egy jó logikai apparátus kategóriák, nem az a lényeges, hogy objektumokból állnak, amiket változókkal kellene követni (kvantor nem kell) lényeges a hierarchia, öröklődés,
RészletesebbenMesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2007/2008
Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 007/008 Az Előadások Témái Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció i stratégiák Szemantikus hálók / Keretrendszerek
RészletesebbenIntelligens Rendszerek Elmélete. Tudásalapú technikák Szakértői és döntéstámogató rendszerek
Intelligens Rendszerek Elmélete Dr. Kutor László Tudásalapú technikák Szakértői és döntéstámogató rendszerek http://mobil.nik.bmf.hu/tantargyak/ire.html Login név: ire jelszó: IRE07 IRE 6/1 A megadott
RészletesebbenLeíró Logikai Programozás
DLP I.-1 Leíró Logikai Programozás Szeredi Péter szeredi@cs.bme.hu Lukácsy Gergely lukacsy@cs.bme.hu BME Számítástudományi és Információelméleti Tanszék 2006. október 17. Leíró Logika+ Logikai Programozás
RészletesebbenBánsághi Anna anna.bansaghi@mamikon.net. 2014 Bánsághi Anna 1 of 31
IMPERATÍV PROGRAMOZÁS Bánsághi Anna anna.bansaghi@mamikon.net 9. ELŐADÁS - OOP TERVEZÉS 2014 Bánsághi Anna 1 of 31 TEMATIKA I. ALAPFOGALMAK, TUDOMÁNYTÖRTÉNET II. IMPERATÍV PROGRAMOZÁS Imperatív paradigma
RészletesebbenContents. 1 Bevezetés 11
2 Contents I Fogalmi háttér 9 1 Bevezetés 11 2 Mesterséges Intelligencia háttér 15 2.1 Intelligencia és intelligens viselkedés............ 15 2.2 Turing teszt......................... 16 2.3 Az emberi
Részletesebben12.3. Az automatizált technológiai tervezés módszerei A variáns módszer
12.3. Az automatizált technológiai tervezés módszerei A technológiai tudás és a tervezési feladat egymáshoz rendeltetését, a feladatok típusait, a tervezési műveleteket, a megoldások környezetfüggőségét
RészletesebbenMesterséges Intelligencia. Csató Lehel. Csató Lehel. Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 1/363
1/363 Matematika-Informatika Tanszék Babeş Bolyai Tudományegyetem, Kolozsvár 2010/2011 Az Előadások Témái 94/363 Bevezető: mi a mesterséges intelligencia... Tudás reprezentáció Gráfkeresési stratégiák
RészletesebbenBevezetés az informatikába
Bevezetés az informatikába 6. előadás Dr. Istenes Zoltán Eötvös Loránd Tudományegyetem Informatikai Kar Programozáselmélet és Szoftvertechnológiai Tanszék Matematikus BSc - I. félév / 2008 / Budapest Dr.
RészletesebbenSzabályalapú rendszerek
Szabályalapú rendszerek 1 Szabályalapú rendszerek alapelvei A szabályalapú rendszerek hatékony eszközt biztosítanak nehezen algoritmizálható problémák megoldásához. Előnyös tulajdonságai miatt elterjedten
RészletesebbenNagyméretű adathalmazok kezelése (BMEVISZM144) Reinhardt Gábor április 5.
Asszociációs szabályok Budapesti Műszaki- és Gazdaságtudományi Egyetem 2012. április 5. Tartalom 1 2 3 4 5 6 7 ismétlés A feladat Gyakran együtt vásárolt termékek meghatározása Tanultunk rá hatékony algoritmusokat
RészletesebbenÚj típusú döntési fa építés és annak alkalmazása többtényezős döntés területén
Új típusú döntési fa építés és annak alkalmazása többtényezős döntés területén Dombi József Szegedi Tudományegyetem Bevezetés - ID3 (Iterative Dichotomiser 3) Az ID algoritmusok egy elemhalmaz felhasználásával
RészletesebbenA F u z z y C L I P S a l a p j a i
A F u z z y C L I P S a l a p j a i A CLIPS rendszer bovítése a bizonytalan információk hatékony kezelése céljából. K é t f é l e b i z o n y t a l a n s á g t á m o g a t á s a : Pontosan nem megfogalmazható
RészletesebbenBevezetés a Drools üzleti szabály motor használatába
Debreceni Egyetem Informatikai Kar Bevezetés a Drools üzleti szabály motor használatába Szakdolgozat Készítette: Mezei Tamás programozó matematikus Témavezetı: Dr. Kuki Attila egyetemi adjunktus Debrecen
RészletesebbenMérési segédlet Szabályalapú rendszerek
Mérési segédlet Szabályalapú rendszerek 1 Szabályalapú rendszerek alapelvei A szabályalapú rendszerek hatékony eszközt biztosítanak nehezen algoritmizálható problémák megoldásához. Előnyös tulajdonságai
RészletesebbenAlgoritmusok Tervezése. Fuzzy rendszerek Dr. Bécsi Tamás
Algoritmusok Tervezése Fuzzy rendszerek Dr. Bécsi Tamás Bevezetés Mese a homokkupacról és a hidegről és a hegyekről Bevezetés, Fuzzy történet Két értékű logika, Boole algebra Háromértékű logika n értékű
RészletesebbenCLIPS (C Language Integrated Production System)
CLIPS (C Language Integrated Production System) I. ALAPVETŐ TULAJDONSÁGAI szakértői rendszer fejlesztő eszköz (shell) 80-as évek közepe, NASA 1. prototípus 1985-ben (~ 2 hónap alatt), fejlesztések, bővítések
RészletesebbenLogika és informatikai alkalmazásai kiskérdések február Mikor mondjuk, hogy az F formula a G-nek részformulája?
,,Alap kiskérdések Logika és informatikai alkalmazásai kiskérdések 2012. február 19. 1. Hogy hívjuk a 0 aritású függvényjeleket? 2. Definiálja a termek halmazát. 3. Definiálja a formulák halmazát. 4. Definiálja,
RészletesebbenNév: Neptun kód: április
Név: Neptun kód:.. 2019. április 2. 8.15-9.15 Integrációs és ellenőrzési technikák zárthelyi Rendelkezésre álló idő: 60 perc ZH maximális pontszám: 40 + 8 IMSC pont Megfelelt szint: 16 pont Teszt kérdések
RészletesebbenA szemantikus világháló oktatása
A szemantikus világháló oktatása Szeredi Péter Lukácsy Gergely Budapesti Műszaki és Gazdaságtudományi Egyetem Számítástudományi és Információelméleti Tanszék ➀ A szemantikus világháló... c. tárgy ➁ A tananyag
RészletesebbenMesterséges Intelligencia MI
Mesterséges Intelligencia MI Tudásbázis építése Dobrowiecki Tadeusz Eredics Péter, és mások BME I.E. 437, 463-28-99 dobrowiecki@mit.bme.hu, http://www.mit.bme.hu/general/staff/tade A tudásbázis építése
RészletesebbenAZ INFORMATIKA LOGIKAI ALAPJAI
AZ INFORMATIKA LOGIKAI ALAPJAI Előadó: Dr. Mihálydeák Tamás Sándor Gyakorlatvezető: Kovács Zita 2017/2018. I. félév 4. gyakorlat Interpretáció A ϱ függvényt az L (0) = LC, Con, Form nulladrendű nyelv egy
RészletesebbenA Szemantikus világháló alapjai
A Szemantikus világháló alapjai Szeredi Péter Lukácsy Gergely Budapesti Műszaki és Gazdaságtudományi Egyetem Számítástudományi és Információelméleti Tanszék ➀ A szemantikus világhálóról általában ➁ Matematikai
Részletesebben- Adat, információ, tudás definíciói, összefüggéseik reprezentációtípusok Részletesebben a téma az AI alapjai című tárgyban
I. Intelligens tervezőrendszerek - Adat, információ, tudás definíciói, összefüggéseik reprezentációtípusok Részletesebben a téma az AI alapjai című tárgyban Adat = struktúrálatlan tények, amelyek tárolhatók,
Részletesebbenmodell, amiben csak bináris sok-egy kapcsolatok (link, memberowner,
Informatika szigorlat 10-es tétel: Adatmodellezés Adatmodellezésnek azt az absztrakciós folyamatot nevezzük, amelyben a valós (mikró)világ tényeit, valamint a tények közötti kapcsolatokat tükröző adatokat,
RészletesebbenIntelligens irányítások
Intelligens irányítások Fuzzy következtető rendszerek Ballagi Áron Széchenyi István Egyetem Automatizálási Tsz. 1 Fuzzy következtető rendszer Fuzzy következtető Szabálybázis Fuzzifikáló Defuzzifikáló 2
RészletesebbenAlgoritmizálás, adatmodellezés tanítása 6. előadás
Algoritmizálás, adatmodellezés tanítása 6. előadás Tesztelési módszerek statikus tesztelés kódellenőrzés szintaktikus ellenőrzés szemantikus ellenőrzés dinamikus tesztelés fekete doboz módszerek fehér
RészletesebbenParametrikus tervezés
2012.03.31. Statikus modell Dinamikus modell Parametrikus tervezés Módosítások a tervezés folyamán Konstrukciós variánsok (termékcsaládok) Parametrikus Modell Parametrikus tervezés Paraméterek (változók
RészletesebbenLogika es sz am ıt aselm elet I. r esz Logika 1/36
1/36 Logika és számításelmélet I. rész Logika 2/36 Elérhetőségek Tejfel Máté Déli épület, 2.606 matej@inf.elte.hu http://matej.web.elte.hu Tankönyv 3/36 Tartalom 4/36 Bevezető fogalmak Ítéletlogika Ítéletlogika
RészletesebbenKOVÁCS BÉLA, MATEMATIKA I.
KOVÁCS BÉLA, MATEmATIkA I. 4 IV. FÜGGVÉNYEk 1. LEkÉPEZÉSEk, függvények Definíció Legyen és két halmaz. Egy függvény -ből -ba egy olyan szabály, amely minden elemhez pontosan egy elemet rendel hozzá. Az
RészletesebbenOsztott jáva programok automatikus tesztelése. Matkó Imre BBTE, Kolozsvár Informatika szak, IV. Év 2007 január
Osztott jáva programok automatikus tesztelése Matkó Imre BBTE, Kolozsvár Informatika szak, IV. Év 2007 január Osztott alkalmazások Automatikus tesztelés Tesztelés heurisztikus zaj keltés Tesztelés genetikus
Részletesebben9. előadás. Programozás-elmélet. Programozási tételek Elemi prog. Sorozatszámítás Eldöntés Kiválasztás Lin. keresés Megszámolás Maximum.
Programozási tételek Programozási feladatok megoldásakor a top-down (strukturált) programtervezés esetén három vezérlési szerkezetet használunk: - szekvencia - elágazás - ciklus Eddig megismertük az alábbi
RészletesebbenIntelligens Rendszerek Elmélete
Intelligens Rendszerek Elmélete 9 IRE 8/30/1 Tudásalapú technikák, szakértői és döntéstámogató rendszerek http://uni-obuda.hu/users/kutor/ IRE 8/30/2 Tudásalapú rendszerek Olyan számítógépes rendszerek,
RészletesebbenOOP. Alapelvek Elek Tibor
OOP Alapelvek Elek Tibor OOP szemlélet Az OOP szemlélete szerint: a valóságot objektumok halmazaként tekintjük. Ezen objektumok egymással kapcsolatban vannak és együttműködnek. Program készítés: Absztrakciós
Részletesebben5. Gyakorlat. 5.1 Hálós adatbázis modell műveleti része. NDQL, hálós lekérdező nyelv:
5. Gyakorlat 5.1 Hálós adatbázis modell műveleti része NDQL, hálós lekérdező nyelv: A lekérdezés navigációs jellegű, vagyis a lekérdezés megfogalmazása során azt kell meghatározni, hogy milyen irányban
RészletesebbenSzakterületi modell A fogalmak megjelenítése. 9. fejezet Applying UML and Patterns Craig Larman
Szakterületi modell A fogalmak megjelenítése 9. fejezet Applying UML and Patterns Craig Larman 1 Néhány megjegyzés a diagramokhoz Ez a tárgy a rendszer elemzésről és modellezésről szól. Noha például egy
RészletesebbenIntelligens Rendszerek Elmélete
Intelligens Rendszerek Elmélete 8 Tudásalapú technikák, szakértői és döntéstámogató rendszerek http://uni-obuda.hu/users/kutor/ IRE 8/30/1 IRE 8/30/2 A TUDÁS ELVE Tudásalapú rendszerek A feladatmegoldás
RészletesebbenLogikai ágensek. Mesterséges intelligencia március 21.
Logikai ágensek Mesterséges intelligencia 2014. március 21. Bevezetés Eddigi példák tudásra: állapotok halmaza, lehetséges operátorok, ezek költségei, heurisztikák Feltételezés: a világ (lehetséges állapotok
RészletesebbenLegyen Ön is milliomos, kedves Számítógép!
MI-1 Szeredi Péter szeredi@cs.bme.hu BME Számítástudományi és Információelméleti Tanszék NJSZT Mesterséges Intelligencia Szakosztály 2011. május 27. A gép és az ember vetélkedője MI-2 A vetélkedő: Jeopardy
RészletesebbenCselekvési tervek generálása. Máté Annamária
Cselekvési tervek generálása Máté Annamária Tartalom Általánosan a cselekvés tervezésről Értelmezés, megközelítés Klasszikus modellek Mint keresés Mint logikai következtetés Alapvető feltevések és fogalmak
RészletesebbenMatematikai logika és halmazelmélet
Matematikai logika és halmazelmélet Wettl Ferenc előadása alapján 2015-09-07 Wettl Ferenc előadása alapján Matematikai logika és halmazelmélet 2015-09-07 1 / 21 Tartalom 1 Matematikai kijelentések szerkezete
RészletesebbenHardver és szoftver rendszerek verifikációja Röviden megválaszolható kérdések
Hardver és szoftver rendszerek verifikációja Röviden megválaszolható kérdések 1. Az informatikai rendszereknél mit ellenőriznek validációnál és mit verifikációnál? 2. A szoftver verifikációs technikák
RészletesebbenV. Bizonytalanságkezelés
Bizonytalanság forrásai V. Bizonytalanságkezelés Hiányzó adat mellett történő következtetés Mi lehet a páciens betegsége? Bizonytalan adatra épülő következtetés objektív Pontatlan műszerek pontatlan leolvasása:
RészletesebbenTérinformatikai algoritmusok Elemi algoritmusok
Cserép Máté Analóg programozásnak nevezzük azt, amikor egy feladat megoldásához egy már ismert és megoldott feladat megoldását használjuk fel. Általában nem pontosan ugyanazt a feladatot oldottuk meg korábban,
RészletesebbenÍTÉLETKALKULUS (NULLADRENDŰ LOGIKA)
ÍTÉLETKALKULUS SZINTAXIS ÍTÉLETKALKULUS (NULLADRENDŰ LOGIKA) jelkészlet elválasztó jelek: ( ) logikai műveleti jelek: ítéletváltozók (logikai változók): p, q, r,... ítéletkonstansok: T, F szintaxis szabályai
RészletesebbenA logikai következmény
Logika 3 A logikai következmény A logika egyik feladata: helyes következtetési sémák kialakítása. Példa következtetésekre : Minden veréb madár. Minden madár gerinces. Minden veréb gerinces 1.Feltétel 2.Feltétel
RészletesebbenObjektum orientált programozás Bevezetés
Objektum orientált programozás Bevezetés Miskolci Egyetem Általános Informatikai Tanszék Utolsó módosítás: 2008. 03. 04. OOPALAP / 1 A program készítés Absztrakciós folyamat, amelyben a valós világban
RészletesebbenBASH script programozás II. Vezérlési szerkezetek
06 BASH script programozás II. Vezérlési szerkezetek Emlékeztető Jelölésbeli különbség van parancs végrehajtása és a parancs kimenetére való hivatkozás között PARANCS $(PARANCS) Jelölésbeli különbség van
Részletesebben4. Fuzzy relációk. Gépi intelligencia I. Fodor János NIMGI1MIEM BMF NIK IMRI
4. Fuzzy relációk Gépi intelligencia I. Fodor János BMF NIK IMRI NIMGI1MIEM Tartalomjegyzék I 1 Klasszikus relációk Halmazok Descartes-szorzata Relációk 2 Fuzzy relációk Fuzzy relációk véges alaphalmazok
RészletesebbenAbsztrakció. Objektum orientált programozás Bevezetés. Általános Informatikai Tanszék Utolsó módosítás:
Objektum orientált programozás Bevezetés Miskolci Egyetem Általános Informatikai Tanszék Utolsó módosítás: 2008. 03. 04. OOPALAP / 1 A program készítés Absztrakciós folyamat, amelyben a valós világban
Részletesebben1. Alapfogalmak Algoritmus Számítási probléma Specifikáció Algoritmusok futási ideje
1. Alapfogalmak 1.1. Algoritmus Az algoritmus olyan elemi műveletekből kompozíciós szabályok szerint felépített összetett művelet, amelyet megadott feltételt teljesítő bemeneti adatra végrehajtva, a megkívánt
RészletesebbenMagas szintű adatmodellek Egyed/kapcsolat modell I.
Magas szintű adatmodellek Egyed/kapcsolat modell I. Ullman-Widom: Adatbázisrendszerek. Alapvetés. 4.fejezet Magas szintű adatmodellek (4.1-4.3.fej.) (köv.héten folyt.köv. 4.4-4.6.fej.) Az adatbázis modellezés
RészletesebbenHALMAZELMÉLET feladatsor 1.
HALMAZELMÉLET feladatsor 1. Egy (H,, ) algebrai struktúra háló, ha (H, ) és (H, ) kommutatív félcsoport, és teljesül az ún. elnyelési tulajdonság: A, B H: A (A B) = A, A (A B) = A. A (H,, ) háló korlátos,
RészletesebbenSzámítógépes döntéstámogatás. Fogalmakat is kezelni tudó számítógépes döntéstámogatás A DoctuS rendszer
SZDT-07 p. 1/20 Számítógépes döntéstámogatás Fogalmakat is kezelni tudó számítógépes döntéstámogatás A DoctuS rendszer Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu
RészletesebbenTérinformatikai algoritmusok Elemi algoritmusok
Cserép Máté 2016. szeptember 14. Analóg programozásnak nevezzük azt, amikor egy feladat megoldásához egy már ismert és megoldott feladat megoldását használjuk fel. Általában nem pontosan ugyanazt a feladatot
RészletesebbenTermék modell. Definíció:
Definíció: Termék modell Összetett, többfunkciós, integrált modell (számítógépes reprezentáció) amely leír egy műszaki objektumot annak különböző életfázis szakaszaiban: tervezés, gyártás, szerelés, szervízelés,
RészletesebbenHatékony keresés a szemantikus világhálón
Hatékony keresés a szemantikus világhálón Lukácsy Gergely Számítástudományi és Információelméleti Tanszék Budapesti Műszaki és Gazdaságtudományi Egyetem Magyarországi Web Konferencia 2008 W3C szekció Lukácsy
RészletesebbenADATBÁZIS-KEZELÉS. Relációs modell
ADATBÁZIS-KEZELÉS Relációs modell Relációséma neve attribútumok ORSZÁGOK Azon Ország Terület Lakosság Főváros Földrész 131 Magyarország 93036 10041000 Budapest Európa 3 Algéria 2381740 33769669 Algír Afrika
RészletesebbenAmortizációs költségelemzés
Amortizációs költségelemzés Amennyiben műveleteknek egy M 1,...,M m sorozatának a futási idejét akarjuk meghatározni, akkor egy lehetőség, hogy külön-külön minden egyes művelet futási idejét kifejezzük
RészletesebbenSzoftver-mérés. Szoftver metrikák. Szoftver mérés
Szoftver-mérés Szoftver metrikák Szoftver mérés Szoftver jellemz! megadása numerikus értékkel Technikák, termékek, folyamatok objektív összehasonlítása Mér! szoftverek, programok CASE eszközök Kevés szabványos
RészletesebbenAdatelemzés és adatbányászat MSc
Adatelemzés és adatbányászat MSc 12. téma Klaszterezési módszerek Klaszterezés célja Adott az objektumok, tulajdonságaik együttese. Az objektumok között hasonlóságot és különbözőséget fedezhetünk fel.
RészletesebbenAdatszerkezetek és algoritmusok
2009. november 13. Ismétlés El z órai anyagok áttekintése Ismétlés Specikáció Típusok, kifejezések, m veletek, adatok ábrázolása, típusabsztakció Vezérlési szerkezetek Függvények, paraméterátadás, rekurziók
RészletesebbenSzámítógépes döntéstámogatás. Döntések fuzzy környezetben Közelítő következtetések
BLSZM-09 p. 1/17 Számítógépes döntéstámogatás Döntések fuzzy környezetben Közelítő következtetések Werner Ágnes Villamosmérnöki és Információs Rendszerek Tanszék e-mail: werner.agnes@virt.uni-pannon.hu
RészletesebbenHOGYAN JELEZHETŐ ELŐRE A
HOGYAN JELEZHETŐ ELŐRE A MUNKATÁRSAK BEVÁLÁSA? A BELSŐ ÉRTÉKELŐ KÖZPONT MÓDSZEREI ÉS S BEVÁLÁSVIZSG SVIZSGÁLATA Budapest, 2010.03.25. PSZE HR Szakmai nap Előadó: Besze Judit BÉK módszergazda. 1/28 BEVÁLÁS
RészletesebbenA szemantikus elemzés elmélete. Szemantikus elemzés (attribútum fordítási grammatikák) A szemantikus elemzés elmélete. A szemantikus elemzés elmélete
A szemantikus elemzés elmélete Szemantikus elemzés (attribútum fordítási grammatikák) a nyelvtan szabályait kiegészítjük a szemantikus elemzés tevékenységeivel fordítási grammatikák Fordítóprogramok előadás
RészletesebbenGrafikonok automatikus elemzése
Grafikonok automatikus elemzése MIT BSc önálló laboratórium konzulens: Orosz György 2016.05.18. A feladat elsődleges célkitűzései o eszközök adatlapján található grafikonok feldolgozása, digitalizálása
RészletesebbenS atisztika 2. előadás
Statisztika 2. előadás 4. lépés Terepmunka vagy adatgyűjtés Kutatási módszerek osztályozása Kutatási módszer Feltáró kutatás Következtető kutatás Leíró kutatás Ok-okozati kutatás Keresztmetszeti kutatás
RészletesebbenAz alállomási kezelést támogató szakértői funkciók
Az alállomási kezelést támogató szakértői funkciók dr. Kovács Attila Szakértői rendszerek Emberi szakértő kompetenciájával, tudásával rendelkező rendszer Jellemzői: Számítási műveletek helyett logikai
RészletesebbenFogalmi modellezés. Ontológiák Alkalmazott modellező módszertan (UML)
Fogalmi modellezés Ontológiák Alkalmazott modellező módszertan (UML) Fogalom képzés / kialakítás Cél: Példák: A fogalom képzés segít minket abban, hogy figyelmen kívül hagyjuk azt, ami lényegtelen idealizált
RészletesebbenMATEMATIK A 9. évfolyam. 2. modul: LOGIKA KÉSZÍTETTE: VIDRA GÁBOR
MATEMATIK A 9. évfolyam 2. modul: LOGIKA KÉSZÍTETTE: VIDRA GÁBOR Matematika A 9. évfolyam. 2. modul: LOGIKA Tanári útmutató 2 MODULLEÍRÁS A modul célja Időkeret Ajánlott korosztály Modulkapcsolódási pontok
RészletesebbenHalmaz: alapfogalom, bizonyos elemek (matematikai objektumok) Egy halmaz akkor adott, ha minden objektumról eldönthető, hogy
1. előadás: Halmazelmélet Szabó Szilárd Halmazok Halmaz: alapfogalom, bizonyos elemek (matematikai objektumok) összessége. Egy halmaz akkor adott, ha minden objektumról eldönthető, hogy hozzátartozik-e,
RészletesebbenSzámítási intelligencia
Botzheim János Számítási intelligencia Budapesti Műszaki és Gazdaságtudományi Egyetem, Mechatronika, Optika és Gépészeti Informatika Tanszék Graduate School of System Design, Tokyo Metropolitan University
RészletesebbenVáltozók. Mennyiség, érték (v. objektum) szimbolikus jelölése, jelentése Tulajdonságai (attribútumai):
Python Változók Mennyiség, érték (v. objektum) szimbolikus jelölése, jelentése Tulajdonságai (attribútumai): Név Érték Típus Memóriacím A változó értéke (esetleg más attribútuma is) a program futása alatt
Részletesebben1. tétel Halmazok és halmazok számossága. Halmazműveletek és logikai műveletek kapcsolata.
1. tétel Halmazok és halmazok számossága. Halmazműveletek és logikai műveletek kapcsolata. HLMZOK halmaz axiomatikus fogalom, nincs definíciója. benne van valami a halmazban szintén axiomatikus fogalom,
Részletesebben6. ELŐADÁS DIFFERENCIÁLSZÁMÍTÁS II. DIFFERENCIÁLÁSI SZABÁLYOK. BSc Matematika I. BGRMA1HNND, BGRMA1HNNC
6. ELŐADÁS DIFFERENCIÁLSZÁMÍTÁS II. DIFFERENCIÁLÁSI SZABÁLYOK BSc Matematika I. BGRMAHNND, BGRMAHNNC A következő diákon szereplő állítások mindegyikét az előadáson fogjuk igazolni, és példákkal bőségesen
RészletesebbenIntelligens irányítások
Intelligens irányítások Fuzzy halmazok Ballagi Áron Széchenyi István Egyetem Automatizálási Tsz. Arisztotelészi szi logika 2 Taichi Yin-Yang Yang logika 3 Hagyományos és Fuzzy halmaz Egy hagyományos halmaz
RészletesebbenMár megismert fogalmak áttekintése
Interfészek szenasi.sandor@nik.bmf.hu PPT 2007/2008 tavasz http://nik.bmf.hu/ppt 1 Témakörök Polimorfizmus áttekintése Interfészek Interfészek kiterjesztése Eseménykezelési módszerek 2 Már megismert fogalmak
Részletesebben1. előadás: Halmazelmélet, számfogalom, teljes
1. előadás: Halmazelmélet, számfogalom, teljes indukció Szabó Szilárd Halmazok Halmaz: alapfogalom, bizonyos elemek (matematikai objektumok) összessége. Egy halmaz akkor adott, ha minden objektumról eldönthető,
RészletesebbenJava programozási nyelv 4. rész Osztályok II.
Java programozási nyelv 4. rész Osztályok II. Nyugat-Magyarországi Egyetem Faipari Mérnöki Kar Informatikai Intézet Soós Sándor 2005. szeptember A Java programozási nyelv Soós Sándor 1/17 Tartalomjegyzék
RészletesebbenKeresések Gregorics Tibor Mesterséges intelligencia
Keresések ADAT := kezdeti érték while terminálási feltétel(adat) loop SELECT SZ FROM alkalmazható szabályok ADAT := SZ(ADAT) endloop KR vezérlési szintjei vezérlési stratégia általános modellfüggő heurisztikus
RészletesebbenMérési struktúrák
Mérési struktúrák 2007.02.19. 1 Mérési struktúrák A mérés művelete: a mérendő jellemző és a szimbólum halmaz közötti leképezés megvalósítása jel- és rendszerelméleti aspektus mérési folyamat: a leképezést
RészletesebbenProgramfejlesztési Modellek
Programfejlesztési Modellek Programfejlesztési fázisok: Követelmények leírása (megvalósíthatósági tanulmány, funkcionális specifikáció) Specifikáció elkészítése Tervezés (vázlatos és finom) Implementáció
RészletesebbenObjektumorientált paradigma és a programfejlesztés
Objektumorientált paradigma és a programfejlesztés Vámossy Zoltán vamossy.zoltan@nik.uni-obuda.hu Óbudai Egyetem Neumann János Informatikai Kar Ficsor Lajos (Miskolci Egyetem) prezentációja alapján Objektumorientált
RészletesebbenAdatbázismodellek. 1. ábra Hierarchikus modell
Eddig az adatbázisokkal általános szempontból foglalkoztunk: mire valók, milyen elemekből épülnek fel. Ennek során tisztáztuk, hogy létezik az adatbázis fogalmi modellje (adatbázisterv), amely az egyedek,
RészletesebbenOOP #1 (Bevezetés) v1.0 2003.03.07. 18:39:00. Eszterházy Károly Főiskola Információtechnológia tsz. Hernyák Zoltán adj.
OOP #1 (Bevezetés) v1.0 2003.03.07. 18:39:00 Eszterházy Károly Főiskola Információtechnológia tsz. Hernyák Zoltán adj. e-mail: aroan@ektf.hu web: http://aries.ektf.hu/~aroan OOP OOP_01-1 - E jegyzet másolata
RészletesebbenFUNKCIONÁLIS PROGRAMOZÁS
FUNKCIONÁLIS PROGRAMOZÁS A funkcionális programozás néhány jellemzője Funkcionális programozás 1-2 Funkcionális, más néven applikatív programozás Funkcionális = függvényalapú, függvényközpontú Applikatív
RészletesebbenModellellenőrzés. dr. Majzik István BME Méréstechnika és Információs Rendszerek Tanszék
Modellellenőrzés dr. Majzik István BME Méréstechnika és Információs Rendszerek Tanszék 1 Mit szeretnénk elérni? Informális vagy félformális tervek Informális követelmények Formális modell: KS, LTS, TA
RészletesebbenAlkalmazásokban. Dezsényi Csaba Ovitas Magyarország kft.
Tudásmodellezés Kereskedelmi Alkalmazásokban Dezsényi Csaba Ovitas Magyarország kft. Tudásmenedzsment Adat -> Információ -> Tudás Intézményi tudásvagyon hatékony kezelése az üzleti célok megvalósításának
Részletesebben1. gyakorlat. Mesterséges Intelligencia 2.
1. gyakorlat Mesterséges Intelligencia. Elérhetőségek web: www.inf.u-szeged.hu/~gulyasg mail: gulyasg@inf.u-szeged.hu Követelmények (nem teljes) gyakorlat látogatása kötelező ZH írása a gyakorlaton elhangzott
Részletesebben